Azure-AI-Foundry-Crear-Agentes-de-IA-Personalizados MSLicencias

Azure AI Foundry: Crear Agentes de IA Personalizados

📑 Tabla de Contenidos 

  1. Introducción: ¿Qué es Azure AI Foundry?  
  2. Azure AI Foundry vs Azure AI Services vs Azure ML
  3. Requisitos y Configuración Inicial
  4. Paso 1: Crear Hub y Proyecto
  5. Paso 2: Tu Primer Agente (Código Completo)
  6. Paso 3: Agregar Herramientas al Agente
  7. Casos de Uso Reales: 5 Ejemplos Prácticos
  8. Despliegue en Producción
  9. Mejores Prácticas y Optimización
  10. Preguntas Frecuentes

1. Introducción: ¿Qué es Azure AI Foundry?

Azure AI Foundry es la plataforma unificada de Microsoft para crear, personalizar y desplegar agentes de IA. A diferencia de herramientas genéricas, Foundry está diseñado específicamente para desarrollar agentes inteligentes que pueden:

  • 🤖 Tomar decisiones autónomamente basadas en contexto
  • 🔗 Conectarse a tus datos corporativos sin mover información
  • 🛠️ Usar herramientas (APIs, funciones, servicios externos)
  • 🧠 Razonar y aprender de interacciones previas
  • 📊 Automatizar flujos complejos de trabajo
✅ Por Qué Azure AI Foundry es Especial en 2025:
  • 🔓 Acceso a múltiples modelos: GPT-4, Claude, DeepSeek, Mistral, Open Source
  • 🔐 Datos nunca salen tu tenant: Privacidad garantizada
  • ⚡ Low-code y Code-first: Interfaz visual + SDK Python/JavaScript
  • 🎯 Agentes de Grado Empresarial: Observabilidad, seguridad, escalabilidad
  • 🚀 Despliegue a Producción en Minutos: No requiere DevOps complejo

2. Azure AI Foundry vs Azure AI Services vs Azure ML: ¿Cuál Elegir?

Característica Azure AI Foundry Azure AI Services Azure ML
Mejor Para Agentes de IA, chatbots, automatización APIs de visión, lenguaje, voz Machine learning clásico
Experiencia Agentes autónomos con razonamiento Tareas específicas (traducir, analizar) Modelos predictivos personalizados
Facilidad Low-code o Python avanzado APIs simples tipo REST Altamente técnico
Escalabilidad De proyectos pequeños a grandes Limitada a tareas específicas Empresarial muy compleja
Costo Inicial Bajo (prueba gratuita disponible) Muy bajo (pago por uso) Medio-Alto

Recomendación: Si quieres crear agentes inteligentes, elige Azure AI Foundry. Para tareas específicas puntuales, usa Azure AI Services.

3. Requisitos y Configuración Inicial

3.1 Requisitos de Recursos

  • ✅ Suscripción de Azure activa
  • ✅ Rol "Azure AI Developer" asignado
  • ✅ Python 3.8+ (recomendado 3.10+)
  • ✅ VS Code o editor de código de tu elección
  • ✅ Git instalado
  • ✅ Azure CLI instalado

3.2 Instalación de Herramientas

Paso 1: Instala Azure CLI

# Windows (PowerShell) $ProgressPreference = 'SilentlyContinue'; Invoke-WebRequest -Uri https://aka.ms/installazurecliwindows -OutFile .\AzureCLI.msi; .\AzureCLI.msi # macOS brew install azure-cli # Linux curl -sL https://aka.ms/InstallAzureCLIDeb | sudo bash

Paso 2: Autenticación en Azure

az login

Paso 3: Instala SDK de Python

pip install azure-ai-projects pip install azure-identity pip install python-dotenv

4. Paso 1: Crear Hub y Proyecto en Azure AI Foundry

Hub: Es tu espacio de trabajo contenedor. Puede tener múltiples proyectos.

Proyecto: Donde construyes agentes específicos.

1 Accede al Portal de Azure AI Foundry

Ve a https://ai.azure.com

2 Crea un Hub
  • Haz clic en "AI Hubs" en el menú izquierdo
  • Selecciona "+ Create Hub"
  • Completa:
    • Nombre Hub: mi-primer-hub-ia
    • Región: West Europe (o tu región preferida)
    • Grupo de Recursos: Crea nuevo o usa existente
    • Storage Account: Se crea automáticamente
  • Haz clic en "Create"
3 Crea un Proyecto
  • Una vez el Hub esté creado, desde su página haz clic en "+ Create Project"
  • Nombra tu proyecto: "mi-agente-ventas" (o tu nombre)
  • Haz clic en "Create"
4 Obtén el Endpoint del Proyecto
  • En tu proyecto, ve a "Overview"
  • Copia el "Project Endpoint" (similar a: https://...services.ai.azure.com/api/projects/...)
  • Guárdalo en un archivo .env

5. Paso 2: Tu Primer Agente (Código Completo)

5.1 El Código Más Simple Posible

Este agente responde preguntas de matemáticas usando razonamiento:

import os from azure.ai.projects import AIProjectClient from azure.identity import DefaultAzureCredential from azure.ai.agents.models import CodeInterpreterTool # Configura variables de entorno project_endpoint = os.environ.get("PROJECT_ENDPOINT") model_deployment_name = os.environ.get("MODEL_DEPLOYMENT_NAME", "gpt-4o-mini") # Autentica credential = DefaultAzureCredential() # Crea cliente del proyecto project_client = AIProjectClient( endpoint=project_endpoint, credential=credential ) # Define herramientas code_interpreter = CodeInterpreterTool() # Crea el agente with project_client: agent = project_client.agents.create_agent( model=model_deployment_name, name="Mi Agente Matemático", instructions="""Eres un asistente experto en matemáticas. Ayudas a los usuarios a resolver problemas matemáticos complejos. Siempre muestra tu razonamiento paso a paso. Usa la herramienta de Code Interpreter para visualizar gráficos cuando sea necesario.""", tools=code_interpreter.definitions, ) print(f"✅ Agente creado con ID: {agent.id}") # Crea thread (conversación) thread = project_client.agents.threads.create() print(f"📝 Thread creado con ID: {thread.id}") # Envía mensaje message = project_client.agents.messages.create( thread_id=thread.id, role="user", content="¿Cuál es la integral de x^2 de 0 a 10? Dibuja la función." ) print(f"📨 Mensaje enviado: {message.id}") # Ejecuta agente run = project_client.agents.runs.create_and_process( thread_id=thread.id, agent_id=agent.id ) print(f"⚙️ Ejecución completada con estado: {run.status}") # Lee respuesta messages = project_client.agents.messages.list(thread_id=thread.id) for msg in messages: print(f"\n{msg.role.upper()}: {msg.content}")

5.2 Ejecutar Este Código

Paso 1: Crea un archivo .env

PROJECT_ENDPOINT=https://tu-hub.services.ai.azure.com/api/projects/tu-proyecto MODEL_DEPLOYMENT_NAME=gpt-4o-mini

Paso 2: Carga variables de entorno

from dotenv import load_dotenv load_dotenv()

Paso 3: Ejecuta

python tu_archivo.py

6. Paso 3: Agregar Herramientas al Agente

Las herramientas permiten que tu agente haga cosas reales: llamar APIs, buscar información, ejecutar código.

6.1 Tipos de Herramientas Disponibles

Herramienta ¿Qué Hace? Ejemplo de Uso
Code Interpreter Ejecuta código Python, genera gráficos Análisis matemático, visualización de datos
File Search Busca en documentos y archivos Responder preguntas sobre políticas de empresa
Function Calling Llama funciones JSON definidas Buscar en base de datos, CRM, APIs
Web Search Busca en internet (con Bing) Obtener datos actuales, noticias

6.2 Ejemplo: Agente con Búsqueda de Funciones

Este agente puede llamar a una API para buscar clientes:

import json from azure.ai.agents.models import FunctionTool # Define tu función personalizada def buscar_cliente(nombre: str) -> dict: """Busca información de un cliente en la base de datos.""" # Aquí irías a una API real clientes_db = { "Juan Pérez": {"id": 1, "email": "juan@empresa.com", "estado": "activo"}, "María García": {"id": 2, "email": "maria@empresa.com", "estado": "suspendido"}, } return clientes_db.get(nombre, {"error": "Cliente no encontrado"}) # Define la función como herramienta buscar_cliente_tool = FunctionTool( name="buscar_cliente", description="Busca información de un cliente por nombre en la base de datos", parameters={ "type": "object", "properties": { "nombre": { "type": "string", "description": "Nombre del cliente a buscar" } }, "required": ["nombre"] } ) # Usa la herramienta en el agente agent = project_client.agents.create_agent( model=model_deployment_name, name="Agente de Servicio al Cliente", instructions="Eres un asistente de servicio al cliente. Ayudas a buscar información de clientes.", tools=[buscar_cliente_tool.definitions], # Agrega la herramienta )

7. Casos de Uso Reales: 5 Ejemplos Prácticos

Caso 1: Agente de Atención al Cliente 24/7

🎧 Chatbot Inteligente para Soporte

¿Qué hace? Responde preguntas de clientes, busca en base de conocimiento, escala a humanos si es complejo.

Herramientas: File Search (base de conocimiento), Function Calling (CRM)

Impacto:

  • ✅ -50% en tickets de nivel 1
  • ✅ Disponible 24/7 sin costo adicional
  • ✅ Satisfacción de cliente +40%

Caso 2: Asistente de Análisis de Datos

📊 Agente que Analiza Bases de Datos

¿Qué hace? Ejecuta consultas SQL, crea visualizaciones, genera reportes automáticamente.

Herramientas: Code Interpreter (Python), Function Calling (API de datos)

Impacto:

  • ✅ Reportes manuales que tomaban 2 horas → 5 minutos
  • ✅ Analistas pueden enfocarse en insights, no en recopilación
  • ✅ -30 horas/mes de trabajo repetitivo

Caso 3: Agente de Ventas Automatizado

💼 Prospector y Calificador de Leads

¿Qué hace? Califica leads, redacta emails personalizados, agenda reuniones automáticamente.

Herramientas: Function Calling (CRM, Calendar), Code Interpreter (análisis predictivo)

Impacto:

  • ✅ +25% leads clasificados correctamente
  • ✅ Vendedores ganan +2 horas diarias de prospecting real
  • ✅ Ciclo de venta -15 días

Caso 4: Asistente de RR.HH.

👥 Responde Preguntas Sobre Políticas, Beneficios

¿Qué hace? Lee el handbook de la empresa, responde preguntas de empleados sobre licencias, beneficios, políticas.

Herramientas: File Search (handbook), Function Calling (sistema RR.HH.)

Impacto:

  • ✅ RR.HH. recibe -60% preguntas repetitivas
  • ✅ Respuestas consistentes 100%
  • ✅ Empleados obtienen respuestas instantáneamente

Caso 5: Automatización de Procesos Empresariales

⚙️ Agente que Ejecuta Workflows Complejos

¿Qué hace? Recibe solicitud → valida datos → busca aprobaciones → ejecuta tarea → notifica resultado.

Herramientas: Function Calling (API de procesos), Code Interpreter (validación)

Impacto:

  • ✅ Procesos que tomaban 3 días → 30 minutos
  • ✅ -99% errores de entrada manual
  • ✅ Empleados liberados para trabajo estratégico

8. Despliegue en Producción

8.1 ¿Cómo Publicas Tu Agente?

1 Crea una API REST para Tu Agente

Usa Flask o FastAPI para envolver tu agente:

from flask import Flask, request, jsonify app = Flask(__name__) @app.route("/agent/chat", methods=["POST"]) def chat(): user_message = request.json.get("message") # Lógica del agente aquí thread = project_client.agents.threads.create() message = project_client.agents.messages.create( thread_id=thread.id, role="user", content=user_message ) run = project_client.agents.runs.create_and_process( thread_id=thread.id, agent_id=AGENT_ID ) messages = project_client.agents.messages.list(thread_id=thread.id) response = [msg.content for msg in messages if msg.role == "assistant"] return jsonify({"response": response[0] if response else "Sin respuesta"}) if __name__ == "__main__": app.run(host="0.0.0.0", port=5000)
2 Despliega en Azure App Service o Container
  • Opción A: Azure App Service (más fácil)
  • Opción B: Docker Container (más flexible)
  • Opción C: Azure Functions (serverless)
3 Integra en Tu Sistema
  • Llama tu API desde Teams, Web, Mobile
  • Usa webhooks para eventos automáticos
  • Implementa Rate Limiting y autenticación

9. Mejores Prácticas y Optimización

9.1 Prompts Efectivos para Agentes

❌ Malo:

instructions="Eres útil."

✅ Bueno:

instructions="""Eres un especialista en servicio al cliente con 10 años de experiencia. Tu rol: - Responder preguntas sobre productos/servicios - Ser empático y profesional - Escalar a humanos cuando el problema es complejo - Nunca prometer reembolsos sin autorización Tono: Amable pero profesional Idioma: Español latino"""

9.2 Optimización de Costos

  • 💰 Usa modelos más económicos (gpt-4o-mini) para tareas simples
  • 💰 Implementa caching de respuestas frecuentes
  • 💰 Limita contexto histórico (mantén solo últimos 10 mensajes)
  • 💰 Usa batch processing para análisis en bloque

9.3 Monitoreo y Observabilidad

  • 📊 Trackea métrica de éxito de agente (% consultas resueltas)
  • 📊 Monitorea tiempo de respuesta
  • 📊 Registra escaladas a humanos (identifica gaps)
  • 📊 Análisis de satisfacción: ¿El usuario está contento?

10. Preguntas Frecuentes

¿Cuánto cuesta ejecutar un agente en Azure AI Foundry?

Precios aproximados (al mes):

  • Llamadas al agente: $0.01-0.10 por llamada (depende del modelo)
  • Almacenamiento: $0.50/GB
  • Hosting API: $30-100 (si usas App Service)

Ejemplo: 10,000 llamadas/mes con gpt-4o-mini ≈ $100-150

¿Qué pasa si el agente comete errores?

Los agentes pueden cometer errores. Soluciones:

  • ✅ Validación de entradas antes de usar datos
  • ✅ Human-in-the-loop: requiere aprobación en operaciones críticas
  • ✅ Testing exhaustivo con casos edge
  • ✅ Red teaming: prueba deliberadamente comportamientos malos
¿Puedo usar agentes de Azure AI Foundry con datos privados de mi empresa?

Sí, 100% seguro. Los datos:

  • ✅ Nunca salen de tu tenant de Azure
  • ✅ No se usan para entrenar modelos
  • ✅ Cumple GDPR, HIPAA, SOC 2
  • ✅ Encriptado en tránsito y en reposo
¿Cuánto tiempo toma desarrollar un agente?

Depende de complejidad:

  • ⚡ Chatbot simple: 1-2 días
  • ⚡ Agente con herramientas: 1-2 semanas
  • ⚡ Sistema de agentes complejos: 1-3 meses

Con Foundry, es 50% más rápido que desarrollo tradicional.

¿Puedo usar múltiples modelos en un agente?

Sí. Puedes:

  • ✅ Usar gpt-4o para razonamiento complejo
  • ✅ Usar gpt-4o-mini para tareas simples (más barato)
  • ✅ Usar Claude para análisis de texto
  • ✅ Cambiar dinámicamente según la tarea

Conclusión: El Futuro de la Automatización

✅ Resumen Clave:
  • 🎯 Azure AI Foundry es la plataforma para agentes empresariales en 2025
  • 💻 Puedes construir un agente funcional en 1 día
  • 🚀 Los agentes pueden ahorrar miles de horas/año
  • 🔒 La privacidad y seguridad están garantizadas
  • 📈 El ROI es típicamente positivo en 90 días

Tu próximo paso: Crea tu Hub y Proyecto hoy. Construye tu primer agente esta semana. El futuro de la automatización es ahora.

Regresar al blog